كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبية

تعلم الآلة

تصنيف أزهار Iris

Iris Flower Classification

مبتدئنحو 3 ساعات عمل

أول مشروع تصنيف كامل: من استكشاف البيانات إلى المقارنة بين ثلاثة مصنفات بالتحقق المتقاطع.

وصف المشكلة

تصنيف زهرة السوسن إلى ثلاثة أنواع (setosa وversicolor وvirginica) من أربعة قياسات للبتلات والسبلات. المشكلة صغيرة ونظيفة، لذلك هي مثالية لتعلم سير العمل الكامل دون تعقيدات المعالجة.

حالة المشروع: دليل تنفيذ كامل بالخطوات والكود. لم يُشغّل الكود في بيئة إعداد الأكاديمية لأنه يحتاج Statistics and Machine Learning Toolbox وتنزيل البيانات، لذلك لا نعرض نتائج رقمية؛ شغّله في MATLAB وسجّل نتائجك بالمقاييس المذكورة.

الأهداف التعليمية

  • استكشاف بيانات متعددة الفئات ورسمها
  • تقسيم طبقي وتحقق متقاطع
  • مقارنة KNN وشجرة القرار وSVM
  • قراءة مصفوفة الالتباس

البيانات المطلوبة

150 عينة × 4 ميزات رقمية (سم) و3 فئات متوازنة (50 لكل فئة). البيانات مرفقة مع Statistics and Machine Learning Toolbox باسم fisheriris.

مصدر البيانات:

خطوات التنفيذ

  1. حمّل البيانات بـ load fisheriris.
  2. ارسم مصفوفة التشتت gplotmatrix لرؤية قابلية الفصل.
  3. قسّم 70/30 طبقياً بـ cvpartition.
  4. درّب ثلاثة نماذج بالتحقق المتقاطع 10 طيات.
  5. اختر الأفضل وقيّمه مرة واحدة على الاختبار.
  6. اعرض مصفوفة الالتباس وحلل الأخطاء بين versicolor وvirginica.

المعالجة المسبقة

  • لا قيم مفقودة.
  • التطبيع داخل النماذج (Standardize) لأن KNN وSVM حساسان للمقياس.

الخوارزمية

KNN (K = 5)، وشجرة قرار، وSVM متعدد الفئات عبر fitcecoc. المقارنة بخطأ التحقق المتقاطع.

كود MATLAB

load fisheriris
rng(42);
gplotmatrix(meas, [], species);
cv = cvpartition(species, 'HoldOut', 0.3);
Xtr = meas(training(cv), :);  ytr = species(training(cv));
Xte = meas(test(cv), :);      yte = species(test(cv));
models = {fitcknn(Xtr, ytr, 'NumNeighbors', 5, 'Standardize', true), ...
          fitctree(Xtr, ytr), ...
          fitcecoc(Xtr, ytr, 'Learners', templateSVM('Standardize', true))};
names = {'KNN', 'Tree', 'SVM'};
cvErr = zeros(1, 3);
for k = 1:3
    cvErr(k) = kfoldLoss(crossval(models{k}, 'KFold', 10));
    fprintf('%-5s 10-fold error = %.3f\n', names{k}, cvErr(k));
end
[~, best] = min(cvErr);
pred = predict(models{best}, Xte);
fprintf('best = %s, test accuracy = %.3f\n', names{best}, mean(strcmp(pred, yte)));
confusionchart(yte, pred);

لم يُشغّل في بيئة الإعداد (يحتاج Statistics and Machine Learning Toolbox وبيانات خارجية). راجع الكود مع توثيق الدوال في إصدارك قبل التشغيل.

شرح الكود

  1. gplotmatrix يعرض كل زوج من الميزات ملوناً بالفئة.
  2. cvpartition بالفئات يحفظ النسب في التدريب والاختبار.
  3. crossval + kfoldLoss يقدّر الخطأ من التدريب فقط.
  4. الاختبار يُستخدم مرة واحدة للنموذج المختار.

النتائج المتوقعة

توقع أن تفصل setosa تماماً، وأن تتركز الأخطاء بين versicolor وvirginica. سجّل خطأ التحقق لكل نموذج ودقة الاختبار للنموذج المختار.

مقاييس التقييم

  • الدقة Accuracy
  • خطأ التحقق المتقاطع
  • مصفوفة الالتباس
  • Precision وRecall لكل فئة

القيود

  • البيانات صغيرة جداً وسهلة؛ لا تعكس صعوبة المشاكل الواقعية.
  • دقة اختبار من 45 عينة لها فترة ثقة واسعة.

المراجع وروابط الوثائق الرسمية